> ## Documentation Index > Fetch the complete documentation index at: https://manual.seahorse.dnotitia.ai/llms.txt > Use this file to discover all available pages before exploring further. > Tables 화면에는 현재 클러스터에 생성된 모든 테이블 목록이 표시됩니다. # Table create # Table 생성 **경로**: "Database" > "Tables" > "Create Table" Tables 화면에는 현재 클러스터에 생성된 모든 테이블 목록이 표시됩니다. ## 기본 정보 입력 기본 정보 입력 Table 생성 폼의 첫 번째 섹션에서 기본 정보를 입력합니다 . | 필드명 ( 화면 표시 ) | 설명 | 타입 | 필수 | 예시 | | ---------------------- | -------------------------------------------------------------------------------------------- | --------- | ------- | --------------------------- | | TABLE NAME | 테이블의 고유 이름 길이 : 64자 제한 String | TextField | 필수 (\*) | my-table | | Dense Vector Embedding | Dense Embedding은 텍스트를 고정 길이의 밀집 벡터로 변환합니다. 의미적 유사도 검색의 핵심이며, 문맥과 의미를 포착합니다. | Dropdown | 선택 | DNA 2.0 \*운영자 세팅에 따라 달라집니다. | | Sparse Embedding | Sparse Embedding은 키워드 기반의 희소 벡터를 생성합니다. Dense와 결합하여 하이브리드 검색을 가능하게 하며, 정확한 키워드 매칭에 강점이 있습니다. | Dropdown | 선택 | DNA 2.0 \*운영자 세팅에 따라 달라집니다. | 기본 정보 입력 ## Tablel Name 테이블의 식별 이름을 입력합니다 **Validation** : * name : 필수 입력 64자 제한 * a-z, A-Z, 숫자, 하이픈(-) 허용 * 하이픈 시작/종료 불가 * 영문으로만 시작 가능 * 이름 중복 생성 가능 : 필요시 UUID로 구분이 가능합니다. - 테이블 이름은 생성 후 변경할 수 없으므로 신중하게 결정하세요 * 버전 관리가 필요하면 이름에 버전을 포함하세요 ( 예 : embeddings-v1, embeddings-v2 ## Dense Vector Dense Embedding은 텍스트를 고정 길이의 밀집 벡터로 변환합니다. 의미적 유사도 검색의 핵심이며, 문맥과 의미를 포착합니다. ## Sparse Vector Sparse Embedding은 키워드 기반의 희소 벡터를 생성합니다. Dense와 결합하여 하이브리드 검색을 가능하게 하며, 정확한 키워드 매칭에 강점이 있습니다. ## INDEX 설정 (인덱스 공간) INDEX 설정 (인덱스 공간) | 필드명 ( 화면 표시 ) | 설명 | 타입 | 필수 | 예시 | | -------------------- | ---------------------------------------------------------------------------------------------------------- | ---------------------------------- | -- | ------- | | INDEX SPACE | 벡터 간 유사도 계산 메트릭 — - l2space : L2 Distance (Euclidean, 절대 거리 ) — - ipspace : Inner Product ( 내적 , 방향 + 크기 ) | Dropdown | 필수 | ipspace | | M VALUE | HNSW 연결 밀도 — - 높을수록 정확도 증가 , 메모리 사용 증가 — - 권장값 : 16 | Number (10\~1024)범위의 정수 | 필수 | 16 | | EF CONSTRUCTION | 인덱스 구축 품질 — - 높을수록 인덱스 품질 향상 , 구축 시간 증가 — - 권장값 : M Value\~ Active set size | Number (M Value\~ Active set size) | 필수 | 128 | | ACTIVE SET SIZE | 메모리에 동시 로드 가능한 벡터 개수 — - 인덱스의 메모리 캐시 크기 — - LRU 방식 관리 | Number (100\~1,000,000) | 필수 | 50000 | | Segmentation Buckets | 해시 세그멘테이션 버킷 수 (기본값: 1)수 — - 데이터를 분산 저장할 버킷 수입니다. 해시 세그멘테이션을 활성화하여 대용량 데이터의 병렬 처리 성능을 향상시킵니다. | Number (1\~10) | 필수 | 1 | ### INDEX Space * 벡터간 유사도를 계산하는 거리 메트릭을 선택합니다 . **선택 가능한옵션 :** | Index Space | 계산 방식 | 범위 | 특징 | 적합한 데이터 | | ----------- | ----------------------- | ---------------------- | -------------------- | ----------------------------- | | l2space | L2 Distance (Euclidean) | 0 \~ ∞ (0 에 가까울수록 유사 ) | 절대 거리 계산 , 벡터 크기에 민감 | 이미지 특징 , 좌표 데이터 , 정규화되지 않은 벡터 | | ipspace | Inner Product ( 내적 ) | -∞ \~ ∞ ( 클수록 유사 ) | 벡터 크기와 방향 모두 고려 | 텍스트 임베딩 , 추천 시스템 , 정규화된 벡터 | ### M value * HNSW 인덱스의 그래프 연결 밀도를 설정합니다 . * 의미 :각 노드가 연결할 이웃 노드의 개수 * 범위 : 1 \~ 1024 범위의 정수 * 권장값: 16 * 높을수록 :정확도증가 ,메모리사용 증가 ,검색 속도 약간 감소 * 낮을수록 :메모리사용 감소 ,정확도감소\* ### EF CONSTRUCTION (인덱스 구축 품질) * 인덱스 구축 시 탐색할 후보 노드 수를 설정합니다 . * 의미 : 인덱스 구축 시 탐색할 이웃 노드의개수 * 범위 : M value 값 이상 ACTIVE SET SIZE 이하의 정수 * 권장값 : 128 * 높을수록 : 인덱스 품질 향상 , 구축 시간 증가 * 낮을수록 : 구축 시간 감소 , 인덱스 품질 저하 ### ACTIVE SET SIZE (활성 벡터 제한)� * 메모리에 동시에 로드할 수 있는 벡터 개수의 최대값입니다 . * 의미 : diskbased 인덱스에서 메모리 캐시 크기 결정 * 범위 : 100 이상 1,000,000 이하의 정수 * 기본값 : 50000 ## COLUMNS ( 스키마 정의 ) 테이블에 저장할 데이터의 구조를 정의합니다 . 각 컬럼의 이름 , 데이터 타입 , 제약 조건을 설정합니다. COLUMNS ( 스키마 정의 ) 각 컬럼은 다음 필드로 구성됩니다 : | 필드명 ( 화면 표시 ) | 설명 | 타입 | 필수 | 예시 | | ------------- | --------------------------------------------------------------------------------------------------------------------------- | ----------------- | -------------- | ------------------- | | COLUMN ID | 컬럼의 고유 이름 — - 길이 : 1\~64 자 — - 허용 문자 : 영문 소문자 , 숫자 , 언더스코어 (\_) — - 영문으로 시작 — - 중복 불가’Duplicate column name exists.’ 메세지 발생 | TextField | 필수 (\*) | id, text, embedding | | DATA TYPE | 컬럼 데이터 타입 — - string : 문자열 — - vector : 벡터 ( 부동소수점 배열 ) — - int64 : 64 비트 정수 — - double : 64 비트 부동소수점 — - boolean : 불리언 | Dropdown | 필수 | string, vector | | Nullavle | 데이터 필수 여부 확인 — - Sparse Column, Dense Column 응 기준이 되는 컬럼이면 비활성화 | Dropdown | 필수 | false, true | | DIMENSION | 벡터 차원 수 — - vector 타입일 때만 표시 — - 16의 배수여야함 - 범위 : 1\~65536 — - 모델 출력 차원과 정확히 일치해야 함 | Number (1\~65536) | vector 타입 시 필수 | 1024, 1536, 768 | | Sparse Column | 최대 1 개만 선택 가능 ( 라디오 버튼 동작 ) — - 체크된 컬럼이 Sparse 벡터 검색 대상 | Checkbox | 선택 | (embedding 컬럼 ) | | Dense Column | vector 타입일 때만 활성화 — - 최대 1 개만 선택 가능 ( 라디오 버튼 동작 ) — - 체크된 컬럼이 벡터 Dense 검색 대상 | Checkbox | 선택 | (embedding 컬럼 ) | | PRIMARY | Primary Key 컬럼 지정 — - string 타입일 때만 활성화 — - 최대 1 개만 선택 가능 ( 라디오 버튼 동작 ) — - 고유성 보장 , 행 식별용 | Checkbox | 권장 | (id 컬럼 ) | ### 기본 칼럼 구조 테이블 생성 시 다음 4 개 컬럼이 자동으로 생성됩니다 : | col\_id | data\_type | dimension | is\_primary | ANN | | --------- | ---------- | --------- | ----------- | --- | | id | string | 0 | true | - | | metadata | string | 0 | false | - | | text | string | 0 | false | - | | embedding | vector | 1024 | false | 체크 | **컬럼 동작** | 동작 | 설명 | 결과 | | ------------ | ----------------- | ------------------------------------------------------------------------------------- | | | 새 컬럼 추가 | 빈 컬럼 행 생성 | | Delete | 컬럼 삭제 | 해당 컬럼 제거 ( 최소 1 개는 남아야 함 ) | | DATA TYPE 변경 | 데이터 타입 변경 시 | - vector → 다른 타입 : DIMENSION 자동 0 으로 초기화 , ANN 해제 — - 다른 타입 → vector: DIMENSION 필드 표시 | | PRIMARY 선택 | 다른 컬럼의 PRIMARY 체크 | 이전 PRIMARY 자동 해제 ( 라디오 버튼 동작 ) | | ANN 선택 | 다른 컬럼의 ANN 체크 | 이전 ANN 자동 해제 ( 라디오 버튼 동작 ) | ### COLUMN ID\* (컬럼 이름)� 컬럼의 고유 식별이름을 입력합니다. **입력 규칙** : * 필수 입력 64자 제한 * a-z, A-Z, 숫자, 하이픈(-) 허용 * 하이픈 시작/종료 불가 * 이름 중복 생성 가능 : 필요시 UUID로 구분이 가능합니다. * 영문으로만 시작 가능 * 중복 이름 불가 ’Duplicate column name exists.’ 메세지 발생 기본 세팅 id,metadata,text,embedding ### DATA TYPE\* (데이터 타입)� 컬럼에 저장될 데이터의 타입을 선택합니다 . **선택** **가능한** **데이터** **타입** : | Data Type | 설명 | 예시 값 | 저장 크기 | 용도 | | --------- | --------------- | ----------------------- | ------------------ | --------------- | | string | 문자열 | " hello ", "2023-10-17" | 가변 | 텍스트 , ID, 메타데이터 | | vector | 벡터 ( 부동소수점 배열 ) | | 고정 ( 차원 × 4 bytes) | 임베딩 벡터 | | int64 | 64 비트 정수 | 123, -456, 0 | 8 bytes | 숫자 ID, 카운트 | | double | 64 비트 부동소수점 | 3.14, -0.001, 1e-5 | 8 bytes | 실수 , 점수 , 확률 | | boolean | 불리언 ( 참 / 거짓 ) | true, false | 1 byte | 플래그 , 상태 | ### DATA TYPE 상세 설명 ### String (문자열) 특징 : * 가변 길이 : 1 글자 \~ 수 MB 까지 저장 가능 * UTF-8 인코딩 : 한글 , 중국어 , 이모지 등 모든 유니코드 지원 * 인덱스 불가 : 벡터 검색 인덱스에는 사용할 수 없음 ( 메타데이터로만 사용 ) 사용 예시: ```json theme={null} { "id": "doc_123456", "text": "This is an example document about machine learning.", "metadata": "{ \"author\": \"John\", \"category\": \"AI\" }", "url": "https://example.com/doc/123456" } ``` * JSON 데이터는 문자열로 저장하고 , 애플리케이션에서 파싱하세요 * 날짜 / 시간은 ISO 8601 형식으로 저장하세요 : "2023-10-17T14:30:00Z" ### VECTOR (벡터)� 특징 : * 고정 차원 : 생성 시 지정한 차원 수만 저장 가능 * float32 정밀도 : 각 요소는 32 비트 부동소수점 * ANN 검색 가능 : 벡터 검색 인덱스 구축 가능 **DIMENSION 필드** : * vector 타입 선택 시 DIMENSION 입력 필드가 활성화됩니다 * 벡터 차원 수를 입력해야 합니다 (1\~65536) **화면** **표시** **예시** : Data Type: \[vector ▼] Dimension: \[1024 ] ← 입력 필수 **저장 크기 계산** : 차원 수 = 1024 저장 크기 = 1024 × 4 bytes = 4096 bytes = 4 KB 차원 수 = 3072 저장 크기 = 3072 × 4 bytes = 12,288 bytes ≈ 12 KB * DIMENSION 은 테이블 생성 후 변경할 수 없습니다 * DIMENSION 은 16의 배수로 설정되어야 합니다. 예시 : 올바른 예시 embedding = \[0.1, 0.2, 0.3, …] # 1024 개 요소 Dimension = 1024 로 설정된 테이블에 삽입 → 성공 icon:check-square\[role=green] 잘못된 예시 embedding = \[0.1, 0.2, 0.3, …] # 768 개 요소 Dimension = 1024 로 설정된 테이블에 삽입 → 오류 icon:times-square\[role=red] ### INT64 (64비트 정수)� 특징 : * 범위 : -9,223,372,036,854,775,808 \~ 9,223,372,036,854,775,807 * 정수만 저장 : 소수점 없음 * 고정 크기 : 8 bytes 사용 예시: ```json theme={null} { "doc_id": 123456, "view_count": 1024, "user_age": 25, "timestamp": 1697547600 } ``` * ID 가 숫자인 경우 int64 사용 권장 (string 보다 효율적 ) - 카운트 , 순위 , 타임스탬프 등에 적합 ### DOUBLE (64비트 부동소수점)� 특징 : * 범위 : ±1.7E±308 (15\~17 자리 정밀도 ) * 소수점 저장 : 실수 값 * 고정 크기 : 8 bytes 사용 예시 : "price": 49.99, " similarity \_score ": 0.9523, "latitude": 37.5665, "probability": 0.0001234 * 통화 , 점수 , 좌표 등에 적합 - 매우 작은 값이나 큰 값도 저장 가능 ### BOOLEAN (불리언)� 특징 : * 값 : true 또는 false * 고정 크기 : 1 byte 사용 예시 : " is \_published ": true, " is \_deleted ": false, " has \_embedding ": true * 플래그 , 상태 표시에 적합 - 필터링 조건으로 자주 사용됨 ### DIMENSION (벡터 차원 수)� vector 타입 컬럼에서만 활성화되는 필드로 , 벡터의 차원 수를 지정합니다 . **표시** **조건** : * Data Type = vector 일 때만 표시됨 * Data Type ≠ vector 이면 자동으로 숨겨지고 값이 0 으로 초기화됨 **화면** **동작** **예시** : 초기 상태 : Data Type: \[string ▼] Dimension: ( 숨김 ) vector 선택 시 : Data Type: \[vector ▼] Dimension: \[\_\_\_\_] ← 활성화 , 입력 필수 string 으로 다시 변경 : Data Type: \[string ▼] Dimension: ( 숨김 , 자동으로 0 설정 ) **입력** **범위** : * 최소값 : 1 * 최대값 : 65536 * 권장값 : 사용하는 임베딩 모델의 출력 차원과 동일 - 벡터 DIMENSION 값은 반드시 16의 정수로 설정되어야 합니다. ### ANN COLUMN (ANN 검색 인덱스 컬럼)� 주로 검색에 사용될 벡터 컬럼을 지정합니다 . **표시 조건** : * Data Type = vector 일 때만 체크박스 활성화 * Data Type ≠ vector 이면 비활성화 **제약 조건** : * 최대 1 개만 선택 가능 : 라디오 버튼처럼 동작 * vector 타입 컬럼만 선택 가능 * 선택 사항 : 현재 버전에서는 필수가 아님 **ANN 컬럼의 역할** : * 벡터 검색 인덱스 구축 대상 * 시맨틱 검색 시 사용되는 벡터 - ANN 컬럼은 주로 검색에 사용될 벡터를 지정합니다 - 일반적으로 embedding 컬럼을 ANN 컬럼으로 설정합니다 - ANN 컬럼으로 지정하지 않은 vector 컬럼도 저장은 가능하지만 검색 인덱스는 구축되지 않습니다 * 현재 버전에서는 ANN 컬럼 선택이 선택사항입니다’ * 벡터 검색을 사용하려면 반드시 ANN 컬럼을 지정해야 합니다 ### PRIMARY Column (기본 키)�� 각 행을 고유하게 식별하는 컬럼을 지정합니다 . **표시 조건** : * Data Type = string 일 때만 체크박스 활성화 * Data Type ≠ string 이면 비활성화 **제약 조건** : * 최대 1 개만 선택 가능 : 라디오 버튼처럼 동작 * string 타입 컬럼만 선택 가능 * 권장 : 정확히 1 개의 PRIMARY 컬럼 설정 * 고유성 보장 : 중복된 값을 가질 수 없음 * 행 식별 : UPDATE, DELETE 작업 시 사용 * 인덱스 자동 생성 : 빠른 조회 가능 **역할** : * 고유성 보장: 중복된 값을 가질 수 없음 * 행 식별: UPDATE, DELETE 작업 시 사용 * 인덱스 자동 생성: 빠른 조회 가능 - 자원이 부족한 경우 테이블 생성이 불가 할 수 있습니다. 자원 확인은 운영자의 확인이 필요합니다. - 벡터 값이 16의 배수가 아닌 경우 테이블 생성이 불가합니다.